[發(fā)明專利]一種深度學(xué)習(xí)解色散模糊的高光譜成像方法有效
| 申請?zhí)枺?/td> | 202110243400.5 | 申請日: | 2021-03-05 |
| 公開(公告)號: | CN113008371B | 公開(公告)日: | 2022-02-08 |
| 發(fā)明(設(shè)計)人: | 曹汛;張理清;華夏;黃燁;王漱明;徐挺 | 申請(專利權(quán))人: | 南京大學(xué) |
| 主分類號: | G01J3/28 | 分類號: | G01J3/28;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司: | 江蘇法德東恒律師事務(wù)所 32305 | 代理人: | 李媛媛 |
| 地址: | 210046 江蘇*** | 國省代碼: | 江蘇;32 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 一種 深度 學(xué)習(xí) 色散 模糊 光譜 成像 方法 | ||
1.一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,包括如下步驟:
S1,采集高精度光譜數(shù)據(jù)和色散RGB數(shù)據(jù);
S2,制備卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集;
S3,構(gòu)建解色散模糊的卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)采用三維卷積核,且多個尺度的卷積核并列;所述卷積神經(jīng)網(wǎng)絡(luò)的輸入是色散RGB數(shù)據(jù),其輸出是重建高光譜數(shù)據(jù);
S4,利用步驟S2的訓(xùn)練數(shù)據(jù)集和步驟S3構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò),通過反向傳播算法訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)從色散RGB數(shù)據(jù)重建出高精度光譜數(shù)據(jù)的能力;
S5,經(jīng)多次迭代,選擇訓(xùn)練得到的最優(yōu)模型對測試集中的色散RGB數(shù)據(jù)直接解色散模糊得到高光譜數(shù)據(jù)。
2.根據(jù)權(quán)利要求1所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述步驟S1中,僅使用一個色散元器件和一個圖像傳感器采集色散RGB數(shù)據(jù);高光譜信號通過所述色散元器件后在其對應(yīng)色散方向形成色散,即每個通道的二維數(shù)據(jù)在二維空間上發(fā)生位移,再由所述圖像傳感器采集色散模糊的RGB數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述步驟S2中,卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集為成對的高精度光譜數(shù)據(jù)和對應(yīng)的色散模糊的RGB數(shù)據(jù),其中高精度光譜數(shù)據(jù)的大小為h×w×c,h、w分別表示圖像的橫向尺寸和縱向尺寸,c為光譜通道數(shù),色散RGB數(shù)據(jù)的大小為h×w×3。
4.根據(jù)權(quán)利要求1所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述步驟S3中,卷積神經(jīng)網(wǎng)絡(luò)以采集的真實高光譜數(shù)據(jù)作為網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)所需的參考數(shù)據(jù)即訓(xùn)練標(biāo)簽。
5.根據(jù)權(quán)利要求1所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述步驟S3中,卷積神經(jīng)網(wǎng)絡(luò)的輸入和輸出層均使用卷積核尺寸為3×3×3的卷積層;網(wǎng)絡(luò)的每一個中間層均包含并行的四個不同尺寸的三維卷積核。
6.根據(jù)權(quán)利要求5所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述中間層使用三個以上層相連構(gòu)成,每一個中間層包含的三維卷積核尺寸為:1×1×1、3×1×1、5×1×1和7×1×1。
7.根據(jù)權(quán)利要求1所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述步驟S4中,卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標(biāo)為使網(wǎng)絡(luò)輸出的重建高光譜圖像逼近參照標(biāo)簽的真實高光譜圖像,即最小化兩者之間的損失值,表示為:
Loss=min‖θD-S‖
=min‖S′-S‖
其中S′表示網(wǎng)絡(luò)輸出的重建高光譜圖像,S為參照的真實高光譜圖像,θ表示網(wǎng)絡(luò)實現(xiàn)的映射關(guān)系,D為網(wǎng)絡(luò)輸入的色散RGB圖像。
8.根據(jù)權(quán)利要求1所述的一種深度學(xué)習(xí)解色散模糊的高光譜成像方法,其特征在于,所述步驟S5中,對于不包含在訓(xùn)練集中的測試集數(shù)據(jù),直接用獲得的最優(yōu)模型快速解色散,從色散模糊的RGB數(shù)據(jù)中重建出高光譜數(shù)據(jù)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于南京大學(xué),未經(jīng)南京大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110243400.5/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 根據(jù)用戶學(xué)習(xí)效果動態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個人化學(xué)習(xí)服務(wù)的方法
- 漸進(jìn)式學(xué)習(xí)管理方法及漸進(jìn)式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲介質(zhì)
- 基于強化學(xué)習(xí)的自適應(yīng)移動學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲介質(zhì)
- 游戲?qū)W習(xí)效果評測方法及系統(tǒng)





